当我运行 www.example.com ，我在运行之间得到了不同的b的哈希值，而a的哈希值保持不变。
script.py

from sympy import Symbol
import numpy as np

x = Symbol("x")

a = np.array([  1, x]) 
b = np.array([1.0, x])
print(hash(a.tobytes()))
print(hash(b.tobytes()))

运行此脚本将产生以下输出。

In [1]: runfile(./script.py)
-1258340495102975319
3795610135772286033

In [2]: runfile(./script.py)
-1258340495102975319
7432739601143179777

In [3]: runfile(./script.py)
-1258340495102975319
1451381667883822748

In [4]: runfile(./script.py)
-1258340495102975319
2683979045255549228

In [5]: runfile(./script.py)
-1258340495102975319
-345973347917904018

请有人能对这种奇怪的行为给出一些解释，并可能提出一个解决方案，为浮点情况给予一致的哈希。
我尝试在for循环中模拟相同的行为，但在这种情况下，哈希值是一致的。当代码运行多次时，就会出现差异。
我不希望a和b的哈希值相同，因为1和1.0是不同的数据类型，但我希望两者的哈希值在运行过程中保持一致（就像a一样）。
这个问题并不是散列所特有的，tobytes（）方法在每次运行时都会给出不同的结果，但散列给出了更明显的差异表示。
编辑：经过更多的测试，我意识到这个问题不仅仅是SymPy特有的，同样的行为也发生在具有对象数据类型的NumPy数组上。例如，print(hash(np.array([1.0], dtype="O").tobytes()))在不同的运行中给出不同的结果。
EDIT2：给出指针的答案仍然有一些无法解释的行为，因为这种行为只特定于对象数据类型的数组。

In [2]: hash(np.array([1.0]).tobytes())
Out[2]: -1405879698645296540

In [3]: hash(np.array([1.0]).tobytes())
Out[3]: -1405879698645296540

In [4]: hash(np.array([1.0]).tobytes())
Out[4]: -1405879698645296540

In [5]: hash(np.array([1.0]).tobytes())
Out[5]: -1405879698645296540

In [6]: hash(np.array([1.0], dtype="O").tobytes())
Out[6]: 7075328050134915067

In [7]: hash(np.array([1.0], dtype="O").tobytes())
Out[7]: -6443853770133964536

In [8]: hash(np.array([1.0], dtype="O").tobytes())
Out[8]: 889083274033361878

In [9]: hash(np.array([1.0], dtype="O").tobytes())
Out[9]: -6819397306369441685